Sequential estimation of censored quantile regression models
删失分位数回归模型的序贯估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要的核心是删失数据的分位数回归及工具变量分位数回归，直接属于分位数与分布效应方法方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
删失分位数回归模型的序贯估计
- 研究问题
- 如何降低删失分位数回归及带工具变量的删失分位数回归的估计难度，使应用研究者能够使用更标准的估计程序？
- 方法与思路
- 作者提出序贯删失分位数回归及其工具变量版本，将原有困难问题转化为较标准的 QR 和 IVQR 程序。
- 材料陈述的贡献
- 摘要称，两种序贯估计方法提高了删失数据分位数回归的可实施性，模拟结果显示二者表现良好，但未列出具体指标。
- 阅读关注点
- 应核对序贯步骤、删失机制和工具变量要求，以及各阶段估计误差如何影响最终估计与推断的有效性。
- 阅读边界
- 仅据出版社摘要，无法确定方法允许的删失类型、识别假设、渐近结论及相对其他方法的优势，模拟数值也未提供。
原文摘要
In this paper we propose sequential censored quantile regression (SCQR) and sequential instrumental variables censored quantile regression estimators (SIVCQR). We effectively transform the difficult censored quantile regression and censored instrumental variables quantile regression problems into more standard QR and IVQR procedures, consequently, our approaches make the quantile regression techniques for censored data easily accessible to applied researchers. Simulation results show that both estimators perform well.